SE5 ECEAI/eceai 2023/2024/CharleuxHabre
Binôme
- Julien CHARLEUX
- Karl HABRE
Objectif
On souhaite lors de ce TP optimiser les performances et la consommation en distribuant la charge de calcul. On utilisera pour cela des capteurs alimentés par un STM32 connectés en série à un Raspberry PI. Ce Raspberry PI communiquera avec un protocole WIFI (on choisira MQTT) vers un serveur. Enfin on entrainera une IA afin de de traiter les données de notre capteur pour reconnaitre un mouvement ou une caracteristique physique.
Compte rendu des séances
Séance du 04/12/2023
Configuration du serveur
On créé une machine virtuelle xen JK sur le serveur chassiron :
xen-create-image --hostname=JK --force --dist=bookworm --size=10G --memory=10G --dir=/usr/local/xen --password= --dhcp --bridge=bridgeStudents
On configure ensuite la VM pour avoir accès à internet en IPV6 :
- La configuration de la carte réseau en IPV6 s’effectue dans le fichier /etc/network/interfaces :
auto enX0
iface enX0 inet6 auto
- On configure le DNS dans le fichier /etc/resolv.conf :
domain plil.info
search plil.info
nameserver 2a01:c916:2047:c800:216:3eff:fe82:8a5c
- On ajoute les sources de paquets et mis à jour dans le fichier /etc/apt/sources.list :
deb http://deb.debian.org/debian bookworm main contrib non-free non-free-firmware
deb-src http://deb.debian.org/debian bookworm main contrib non-free non-free-firmware
- Enfin on supprime /etc/apt/apt.conf.d/01proxy pour pouvoir utiliser le gestionnaire de paquet apt. On peut par la suite autoriser l'accès root en ssh.
On installe finalement Python et Mosquitto MQTT Broker pour plus tard.
On pourra aussi se connecter en ssh à notre VM.
Découverte du capteur
- On réalise ensuite des tests sur le capteur en liaison avec la STM32 afin de comprendre son fonctionnement en suivant ce guide. On utilise en lisant la documentation constructeur le logiciel VL53L5CX nous permettant de visualiser graphiquement les données du capteur et ses caractéristiques en temps réel.
On télécharge par la suite les différents logiciels nécessaires pour programmer la STM32 (STM32 Cube IDE, Nano Edge Studio, STM32 Cube MX).
Configuration du Raspberry
On veut utiliser un Raspberry PI pour communiquer avec le capteur, on installe donc par la même occasion RaspberryPiOS sur une carte MicroSD. Mais avant de l'installer sur la carte MicroSD, on active la connexion en SSH et la connexion à un réseau WIFI, ce qui nous évite d'avoir à nous embêter plus tard. Une fois la carte MicroSD insérée dans le Raspberry Pi, on peut s'y connecter en SSH et éventuellement via VNC Viewer pour avoir une interface graphique. En nous y connectant en SSH, on y installe Python avec les librairies nécessaires
Séance du 18/12/2023
Programmtion et utilisation de notre capteur
On programme la STM32 avec l'IDE fournit par ST, celui-ci permet de compiler et de téléverser le programme vers la carte. On garde le programme d'exemple (53L5A1_SimpleRanging) qui affiche les valeurs du capteurs en 4*4 sur le port UART2. En vérifiant la vitesse de communication du port (460800 baud) avec STM32 Cube MX, on peut visualiser le tableau de donnée avec PuTTY ou Python (sur Windows).
Protocole de communication
Nous décidons de mettre en forme le tableau de donnée après l'acquisition sur la Raspberry Pi avec un script Python.
Afin de communiquer ces données de la Raspberry PI au serveur, on décide d'utiliser le protocole MQTT, celui-ci nous semble adapté pour l'IOT et les communications à faible délais. On a alors installé Mosquitto MQTT Broker sur notre serveur et ajouté un mot de passe.
L'utilisation de MQTT permet aussi de simplifier l'ajout d'un autre Raspberry par le futur puisqu'il est facilement possible de gérer plusieurs appareils notamment avec le système de topics.
Une fois les données formatées avec Python sur la Raspberry PI, elles sont publiées sur un topic MQTT (sensor1) propre au capteur, hébergé sur le serveur. On peut récupérer ces données en écoutant le topic si on se situe sur le même réseau avec le mot de passe. On peut alors réaliser un autre script permettant de récupérer les données et les stocker dans un fichier côté serveur.
Séance du 19/12/2023
Entrainement de l'IA
On souhaite maintenant entraîner une IA afin de reconnaître des similarités. On enregistre un mouvement que l'on répète 5 à 10 fois et on importe ces données dans NanoEdge AI Studio. Notre but est de détecter et différencier des mouvements de main effectués de la droite vers la gauche aux mouvements effectués de la gauche vers la droite.
On passe notre séance à comprendre comment mettre en forme nos datasets pour les implémenter dans NanoEdge AI Studio, et finissons par réussir à faire un benchmarking, mais nous rendrons compte plus tard que nous avions incorrectement formatté les données. Le logiciel nous a tout de même donné en sortie une librairie (fichiers .a, .h..) que l'on peut importer dans un fichier C. On devrait pouvoir utiliser la fonction définie dans le .h pour détecter notre mouvement.
Séance du 20/12/2023
Problèmes et solutions
On constate que lors de la dernière séance, nous avions formatté les données en mettant une matrice de valeurs par ligne à la place d'une suite d'au moins 16 valeurs par axe. On corrige nos datasets, puis réentraînons l'IA avec les fichiers correctement formattés.
Les résultats nous semblaient peu satisfaisant (de l'ordre de 50% de succès, soit du quasi aléatoire). On avait en fait créé un projet de type 1-Class Classification au lieu de n-Class Classification. En faisant à nouveau un benchmarking, on obtient un score proche de 100%.
Cependant, il nous faut relativiser quant à ce résultat bien optimiste. En effectuant des tests avec des valeurs différentes de celles de nos fichiers qui ont servi à entraîner l'IA peu importe le mouvement effectué, il était toujours classé dans la même catégorie. On a alors entraîné à nouveau une IA qui serait capable de différencier si un mouvement est effectué par rapport à l'absence de mouvement Encore une fois, les résultats affichés nous promettaient plus de 99% de succès, mais en testant avec de nouvelles valeurs, nous avons observé le même phénomène que précédemment.
On s'est alors dit que le problème pourrait provenir de la détection de mouvements et avons alors testé la détection de positions statiques. En faisant un ultime benchmarking avec un dataset comprenant soit la détection d'une main posée au-dessus soit l'absence de main. Cette fois-ci, les résultats se sont avérés concluant, on a alors décidé de nous baser sur la librairie fournie suite à cet entraînement.
On remarque qu'il n'est pas nécessaire de compiler manuellement un exécutable important la librairie statique. Nano Edge Studio fournit un émulateur de STM32 exécutable sur Linux ou Windows :
./NanoEdgeAI_Oneclass_Emulator neai_oneclass --knowledge_path knowledge.dat --file coords.txt
On utilisera cet émulateur sur le serveur. On peut le transférer avec ces commandes :
scp -r -6 NanoEdgeAI_Emulator_Unix/ root@\[2001:660:4401:6050:216:3eff:fe28:dcac\]:/root/
On a aussi tenté de faire fonctionner l'émulateur sur Raspberry Pi, cependant, étant donné qu'il a été fait pour tourner sur des architectures x86, cela n'a pas fonctionné sur la Raspberry Pi. On tentera, sans succès, de faire fonctionner un émulateur d'architecture x86 sur lequel on aurait pu faire fonctionner l'émulateur de STM32.
Pour finaliser notre connexion on hébergera une page web sur le serveur, qui affichera l'information envoyée par l'IA, c'est à dire si une main se trouve au-dessus du capteur ou pas. La connexion avec cette page se fera toujours en MQTT, sur le port 8000. Cependant, nous ne parviendrons pas à établir une connexion en IPv6 avec le serveur, mais seulement en IPv4 en 127.0.0.1 (localhost) pour tester le fait que la page s'actualise correctement avec un code Python.
Suite du projet
Serveur web
Pour pouvoir visualiser le résultat plus facilement, on peut creer une page web :
- Pour tester le fonctionnement, on publiera manuellement un message sur un topic MQTT que l'on viendra recuperer sur une page web avec un script python.
Démonstration
À des fins de démonstrations, on décide d'améliorer notre IA afin de détecter différentes peluches (Blåhaj, Blåhaj bébé et Molang déguisé en abeille). Il s'agit d'une situation sans solution algorithmique triviale, ce qui donne plus d'intérêt à l'utilisation d'intelligence artificielle par rapport à nos essais précédents.
Nous entraînons notre IA avec une vue de face sur chacune de ces 3 peluches et avec un dataset sans peluche. Il est intéressant dans cette expérimentation d'observer le comportement de l'IA face à deux peluches quasiment identiques (Blåhaj) mais de dimensions différentes. Nous avons choisi d'entraîner l'IA dans NanoEdge AI Studio avec des datasets contenant 8 lignes de 32 valeurs par axe (avec 16 axes).
Au terme de l'entraînement, l'IA estimera sa précision à environ 75%, mais comme vu précédemment, il s'agit d'une estimation assez optimiste. De plus, le graphe représentant les estimations montre bien le fait que l'IA a plus de mal à détecter certaines peluches (notamment la peluche Molang).
Nous effectuerons ensuite des essais sur 5 librairies différentes en nous servant d'un nouveau dataset pour chaque peluche. Nous constatons que la précision chute à 37.5% sauf pour la librairie 2, basée sur le modèle SEFR, qui obtient une précision de 62.5%. C'est donc cette dernière que nous conserverons pour la suite de nos tests.
Annexes
Programme Python exécuté sur la Raspberry Pi :
import paho.mqtt.client as mqtt
import serial
def on_connect(client, userdata, flags, rc):
if rc == 0:
print("Connecté au serveur MQTT")
else:
print(f"Échec de la connexion avec le code de retour {rc}")
def on_disconnect(client, userdata, rc):
print("Déconnecté du serveur MQTT")
def ecouter_uart(port, baudrate):
try:
# serial communication
ser = serial.Serial(port, baudrate)
print(f"Écoute en cours sur {port} à {baudrate} bps. Appuyez sur Ctrl+C pour arrêter.")
# MQTT client config
client = mqtt.Client()
client.on_connect = on_connect
client.on_disconnect = on_disconnect
client.username_pw_set(mqtt_username, mqtt_password)
client.connect(broker_address, 1883, 60)
client.loop_start()
try:
must_write=False # if should add a new line
with open(fichier, 'r') as f:
if sum(len(line) for line in f):
must_write=True
if must_write: # adds a new line
with open(fichier, 'a') as f:
f.write("\n")
except FileNotFoundError:
with open(fichier, 'w') as f: # creates the file
pass
# some vars
line=""
values=[]
last_first_char=" "
buffer_size=0
messages_to_send=[]
while True: # infinite loop...
# reads a Byte
data = ser.read()
try:
data=data.decode('ascii')
except UnicodeDecodeError:
data=chr(int(data.hex(), 16)-128)
line+=str(data)
if data=="\n":
if line[0]=="|":
# if there are values to be read
line=line.split()
if len(line)>5 and len(line)<21:
# if there are some undefined values (X) replaces them by -1
num_of_X=0
for i,e in enumerate(line):
if e=="X":
if num_of_X%2==0:
line=line[:i+1]+["X"]+line[i+1:]
num_of_X+=1
if len(line)==21:
# reads the values on the current line
error=False
for e in (2, 7, 12, 17):
if line[e]=="X":
line[e]="-1"
else:
try:
line[e]=line[e].split("\x1b")[0]
if line[e]=="X":
line[e]="-1"
except ValueError:
error=True
if not error:
new_line=[line[e] for e in (2, 7, 12, 17)]
values.append([int(e) for e in new_line])
last_first_char="|"
elif line[0]=="-":
last_first_char=" "
elif line[:2]==" -":
# if starting to read a new matrix of values
if last_first_char!="|" and len(values)==4:
print(values) # show then send the previous matrix
messages_to_send.append(";".join([";".join([str(e) for e in v]) for v in values]))
values=[]
last_first_char="-"
else:
last_first_char=line[0]
line=""
if len(messages_to_send)==32:
# if we have 32 values per axis
messages_to_send=";".join(messages_to_send)
print(messages_to_send)
with open(fichier, 'a') as f:
f.write(f"{messages_to_send};") # writes data on a file
client.publish(topic, messages_to_send) # sends message through MQTT
messages_to_send=[]
# in case of interruption
except KeyboardInterrupt:
print("Arrêt de l'écoute.")
except Exception as e:
print(f"Erreur: {e}")
finally:
# securely closing connections
if ser.is_open:
ser.close()
client.loop_stop()
client.disconnect()
if __name__ == "__main__":
# MQTT parameters
broker_address = "2001:660:4401:6050:216:3eff:fe28:dcac" # chassiron VM
topic = "sensor1"
mqtt_username = "pifou"
mqtt_password = "" # confidential
# other params
port_com = "/dev/ttyACM0"
debit_bauds = 460800
fichier = "coords.csv"
ecouter_uart(port_com, debit_bauds)
Programme Python exécuté sur la machine virtuelle :
import paho.mqtt.client as mqtt
import os
import subprocess
import json
# MQTT broker settings
broker_address = "2001:660:4401:6050:216:3eff:fe28:dcac"
port = 1883 # MQTT default port
username = "pifou"
password = "pasglop"
topic = "sensor1"
output_file = "coords2.txt" # File to store received values
def on_message(client, userdata, message):
received_value = message.payload.decode()
# Write the received value to a file
with open(output_file, "w") as file:
file.write(received_value + "\n")
#sys
command = "./NanoEdgeAI_Class_Emulator neai_classification --knowledge_path knowledge.dat --file " + output_file
process = subprocess.Popen(command, shell=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
output, error = process.communicate()
output = output.decode('utf-8')
error = error.decode('utf-8')
if len(error) <= 0:
error = "None."
output = json.loads(output)
result = output["results"][0]["class_name"]
if result == "coords-Rien":
print("rien")
elif result == "coords-Pasrien":
print("main")
# MQTT client setup
client = mqtt.Client()
client.username_pw_set(username=username, password=password)
client.on_message = on_message
# Connect to the MQTT broker
client.connect(broker_address, port=port)
client.subscribe(topic)
# Loop to continuously listen for incoming messages
client.loop_forever()